Gestion des stocks de pièces de rechange avec la technologie Quantile
La gestion des pièces de rechange et des pièces de service est aussi stratégiquement importante que difficile. Dans un monde où la plupart des fabricants d’équipements et des détaillants opèrent sur des marchés extrêmement compétitifs, un taux de service élevé envers la clientèle existante est une priorité stratégique pour de nombreux acteurs.
Non seulement une disponibilité élevée en pièces de rechange aide à fidéliser la clientèle, mais les entreprises de produits/équipements ont également découvert que les services constituent souvent un flux de revenus très rentable et récurrent, généralement plus résilient aux cycles économiques que les ventes d’équipements.
Cependant, la gestion efficace des stocks de pièces de rechange reste un défi de taille. Malgré une industrie de la technologie de prévision et de planification des stocks vieille de plusieurs décennies, la gestion des pièces de rechange est restée difficile pour un certain nombre de raisons:
- Grand nombre de pièces: Même les plus petits fabricants d’équipements peuvent facilement être confrontés à la gestion de plus de cent mille pièces de rechange.
- Exigence de niveau de service élevé: Les ruptures de stock sont souvent très coûteuses, des niveaux de service élevés à très élevés sont donc primordiaux dans de nombreuses industries.
- Demande peu fréquente: La demande de pièces de rechange est généralement clairsemée et intermittente, ce qui signifie que seuls de très faibles volumes sont nécessaires de manière occasionnelle.
Pourquoi la technologie de prévision standard est peu performante
Malheureusement, la combinaison de ces facteurs rend la technologie standard de prévision et de planification des stocks mal adaptée à la planification des pièces de rechange. Dans la théorie classique de la prévision et de la planification des stocks, une prévision est produite en appliquant des modèles tels que la moyenne mobile, la régression linéaire et Holt Winters et une grande attention est accordée à l’erreur de prévision, qui est optimisée en mesurant le MAPE ou des indicateurs similaires. La transformation en un niveau de stock suggéré se fait en une deuxième étape via une analyse classique des stocks de sécurité.
Dans le cas de séries temporelles clairsemées (également appelées produits à faible rotation: faibles ventes unitaires et peu fréquentes), cette méthodologie échoue. Le principal problème avec la prévision des produits à faible rotation est que nous prévoyons essentiellement des zéros. Cela est intuitivement évident en regardant l’historique de la demande d’un portefeuille typique de pièces de rechange sur une base quotidienne, hebdomadaire ou même mensuelle: De loin, le point de données le plus fréquent est zéro, ce qui peut dans certains cas représenter plus de 50% de tous les points de données enregistrés.
Le défi de la prévision des produits à faible rotation: De bonnes performances statistiques et de bonnes pratiques de gestion des stocks ne sont pas la même chose.
Lors de l’application de la théorie classique de la prévision à ce type d’ensemble de données, la meilleure prévision pour un produit à faible rotation est par définition un zéro. Une prévision “bonne” d’un point de vue statistique retournera principalement des zéros, ce qui est optimal en termes de mathématiques, mais pas utile en termes d’optimisation des stocks.
La méthode classique sépare complètement la prévision du réapprovisionnement. Le problème est que la situation ne peut guère être améliorée avec une “meilleure” prévision. Ce qui importe en pratique, c’est la précision du niveau de stock résultant (point de commande), qui n’est ni mesurée ni optimisée.
Changer la vision de la précision des prévisions à la gestion des risques
Lorsqu’il s’agit de produits à faible rotation, nous pensons que la bonne approche n’est pas d’aborder le problème comme une question de prévision et d’essayer de prévoir la demande (qui est principalement nulle). Bien plutôt, l’analyse devrait répondre à la question de savoir combien de stocks sont nécessaires pour garantir le niveau de service souhaité. L’objectif de l’analyse n’est pas des prévisions de demande plus précises, mais une meilleure analyse des risques. Nous changeons fondamentalement la vision ici.
Détermination et optimisation directe du Point de Commande
Les prévisions quantiles permettent la prévision du stock optimal qui fournit directement le niveau de stock souhaité : Un biais est introduit délibérément dès le départ afin de modifier les chances de sur-prévision et de sous-prévision.
Les comparaisons avec la technologie de prévision classique dans les secteurs de l’alimentation, du non-alimentaire, de la quincaillerie, du luxe et des pièces de rechange montrent de manière constante que les prévisions quantiles apportent une amélioration des performances de plus de 25 %, soit plus de 25 % de stocks en moins ou 25 % de ruptures de stock en moins.
À notre avis, en résolvant le problème de la prévision de la demande intermittente et clairsemée dans la gestion des pièces de rechange, la technologie quantile non seulement offre une forte augmentation des performances, mais rend également les prévisions classiques tout simplement obsolètes.
Livret blanc sur la gestion des pièces de rechange disponible en téléchargement
Téléchargez le livret blanc Gestion des stocks de pièces de rechange avec la technologie quantile pour une discussion approfondie sur le sujet. D’autres livrets blancs et ressources sur la prévision quantile et la gestion des stocks sont disponibles sur notre page de ressources.
Avez-vous des commentaires, des questions ou des expériences à partager concernant la gestion des pièces de rechange ? Veuillez participer dans les commentaires ci-dessous, votre contribution est très précieuse pour notre équipe.
Commentaires des lecteurs (1)
Excellent article sur la technologie de gestion des stocks. Je dirais qu’en matière de prévision de la gestion des risques, le risque réside dans le fait de ne pas le faire soi-même et de dépendre des autres pour accomplir le travail.
Chris Toff (il y a 5 ans)
